[发明专利]基于双向长短时神经网络的流程工业故障诊断方法

权利要求书

1.基于双向长短时神经网络的流程工业故障诊断方法，其特征在于，包括如下步骤：

S1：数据集准备：TE模型从160组数据开始引入故障，数据集用来建立监控模型，故障为21个预定义的故障和1个正常工况的数据集，正常情况下的测试集保存在d00_te.txt，训练集为d00.txt故障1的测试集保存在d01_te.txt训练集为d01.txt，……，故障21的测试集d21_te.txt，训练集d21.txt，选用正常工况下的520条，训练数据集d00_txt的第1条到第520条，进行建模，在此选取了故障8，故障12，故障13，故障17，故障20来验证模型的准确性；

S2：特征提取：特征提取采用的是基于梯度提升机提取数据特征，在梯度下降的方向上，寻找出针对多个分类器组成的可加性模型；

S3:建立实验平台：以电脑型号为联想thinkpad，操作系统为Windows10家庭中文版(64位)，CPU为(英特尔)Intel(R)Core(TM)i5-8250U CPU@1.60GHz(8CPU)，内存为8192MB RAM建立试验平台，在python3.7语言环境下进行的故障实验；

S4：实验进行：采用Keras框架搭建双向长短时神经网络模型，研究对象为田纳西伊斯曼模型；

采用故障8、故障12、故障13、故障17、故障20进行验证，故障数据集和正常工况数据集通过梯度提升机进行特征提取；

之后将提取的特征作为双向长短时神经网络的输入，由双向长短时神经网络进行二分类，实验判断依据为准确率，实验结果通过箱型图进行展示；

S5：实验结果：故障8、故障12、故障17，故障20的上下限准确率几乎为100％，而且异常值相对较少表明准确率相对稳定浮动很小，精度高，故障13由故障类型可知其类型为反应动力学中的缓慢漂移相关的故障，这类故障往往波动较大，而在双向LSTM中上限准确率为100％，中位数为0.89其下限为0.55，实验结果表明效果较好。

2.根据权利要求1所述的基于双向长短时神经网络的流程工业故障诊断方法，其特征在于，所述步骤S4中样本数据的选择，选用田纳西伊士曼数据集中的故障8，故障12，故障13，故障17，故障20作为故障集，将故障样本按照7：3的比例划分为训练集和测试集。

3.根据权利要求2所述的基于双向长短时神经网络的流程工业故障诊断方法，其特征在于，所述样本数据的建模方式为在线建模，Time-Step步长为350，每次在pycharm中运行一次会得到其对应的准确率，将得到的准确率输入进箱型图代码即得到BILSTM的箱型图，箱型图可以不受到异常值的影响能够稳定地描绘出准确率分布的情况。